向量|揭开矩阵分解的神秘面纱——特征分解,奇异值分解,伪逆矩阵( 二 )


向量|揭开矩阵分解的神秘面纱——特征分解,奇异值分解,伪逆矩阵
文章图片
特征值λ=1的特征向量是:
向量|揭开矩阵分解的神秘面纱——特征分解,奇异值分解,伪逆矩阵
文章图片
或:
向量|揭开矩阵分解的神秘面纱——特征分解,奇异值分解,伪逆矩阵
文章图片
它们是一样的,只是一个向量的方向与另一个相反 。所以,我就选择第一个作为λ=1的特征向量 。
【向量|揭开矩阵分解的神秘面纱——特征分解,奇异值分解,伪逆矩阵】让我们确认一下这是否符合预期:
向量|揭开矩阵分解的神秘面纱——特征分解,奇异值分解,伪逆矩阵
文章图片
我们可以用同样的方法求解λ=5的情况:
向量|揭开矩阵分解的神秘面纱——特征分解,奇异值分解,伪逆矩阵
文章图片
对于3×3或更大的矩阵,手动计算太繁琐了 。我们可以用NumPy写一个python脚本来完成 。
向量|揭开矩阵分解的神秘面纱——特征分解,奇异值分解,伪逆矩阵
文章图片
下面是输出结果 。
向量|揭开矩阵分解的神秘面纱——特征分解,奇异值分解,伪逆矩阵
文章图片
我们可以确认它们是否正确 。
向量|揭开矩阵分解的神秘面纱——特征分解,奇异值分解,伪逆矩阵
文章图片
下面是输出结果 。
向量|揭开矩阵分解的神秘面纱——特征分解,奇异值分解,伪逆矩阵
文章图片
对称矩阵
对称矩阵的特征向量是相互正交的 。让我们在这里证明一下 。
假设λ1和λ2(λ1≠λ2)是特征值,x1和x2是相应的特征向量 。
向量|揭开矩阵分解的神秘面纱——特征分解,奇异值分解,伪逆矩阵
文章图片
因此:
向量|揭开矩阵分解的神秘面纱——特征分解,奇异值分解,伪逆矩阵
文章图片
然而,λ1 ≠ λ2 。因此:
向量|揭开矩阵分解的神秘面纱——特征分解,奇异值分解,伪逆矩阵
文章图片
因此,对称矩阵的特征向量是相互正交的 。现在我们准备讨论一下特征分解的原理 。
特征分解
利用特征值和特征向量,我们可以将一个正方形矩阵A分解如下 。
向量|揭开矩阵分解的神秘面纱——特征分解,奇异值分解,伪逆矩阵
文章图片
Q是一个矩阵,其列中有特征向量:
向量|揭开矩阵分解的神秘面纱——特征分解,奇异值分解,伪逆矩阵
文章图片
向量|揭开矩阵分解的神秘面纱——特征分解,奇异值分解,伪逆矩阵
文章图片
是大写的lambda,是一个对角矩阵,其对角线元素是特征值:
向量|揭开矩阵分解的神秘面纱——特征分解,奇异值分解,伪逆矩阵

推荐阅读